A inteligência artificial é o mais antigo e o mais amplo dos três termos. Cunhada em meados do século 20, a inteligência artificial refere-se a qualquer momento em que uma máquina observa e responde ao seu ambiente. A inteligência artificial contrasta com a inteligência natural em humanos e animais. Com o tempo, no entanto, o escopo da inteligência artificial mudou. Por exemplo, o reconhecimento de caracteres costumava ser um grande desafio para a IA. Agora, é rotina e não é mais considerada parte da IA. À medida que descobrimos novos usos para a IA, os integramos ao nosso quadro de referência para o que é normal, e o escopo da IA estende-se a qualquer que seja a próxima novidade.
A aprendizagem de máquina é um subconjunto específico da IA. Já passamos algum tempo a defini-lo neste capítulo, mas refere-se a dar a uma máquina um ciclo de feedback que lhe permite aprender com a experiência. Como termo, a aprendizagem de máquina existe desde os anos 80. Somente recentemente, nos últimos 10 a 15 anos, tivemos o poder de processamento e armazenamento de dados para realmente começar a implementar a aprendizagem de máquina em escala.
As redes neurais são um subconjunto de aprendizagem de máquina e são a tendência mais quente do sector no momento. Uma rede neural consiste em muitos nós que trabalham juntos para produzir uma resposta. Cada um dos nós mais baixos possui uma função específica. Por exemplo, ao olhar para uma imagem, os nós de baixo nível podem identificar cores ou linhas específicas. Nós posteriores podem agrupar as linhas em formas, medir distâncias ou procurar densidade de cores. Cada um desses nós é ponderado pelo seu impacto na resposta final. No início, a rede neural cometerá muitos erros, mas, ao longo de muitas tentativas, atualizará o peso de cada nó para melhorar a localização da resposta correta.
Agora, quando você ler um artigo sobre IA, aprendizagem de máquina ou redes neurais, entenderá a diferença. A chave é perceber que eles são subconjuntos. As redes neurais são apenas um tipo de aprendizagem de máquina que, por sua vez, é apenas parte da inteligência artificial.
Conceitos básicos
A aprendizagem de máquina pode implantar em muitos casos de uso. Desde que haja dados significativos para analisar, a aprendizagem de máquina pode ajudar a lhes dar sentido. Como tal, todo o projeto de aprendizagem de máquina é diferente. No entanto, existem cinco partes principais de qualquer aplicativo de aprendizagem de máquina:
1. O Problema
A aprendizagem de máquina é útil em qualquer lugar em que você precise reconhecer padrões e prever o comportamento com base em dados históricos. Padrões de reconhecimento podem significar desde reconhecimento de caracteres até à manutenção preditiva, recomendação de produtos a clientes com base em compras anteriores.
No entanto, o computador não entende inerentemente os dados ou o problema. Em vez disso, um cientista de dados precisa de ensinar ao computador o que procurar usando o feedback adequado. Se o cientista de dados não definir bem o problema, mesmo o melhor algoritmo testado no maior conjunto de dados não produzirá os resultados desejados.
Está claro que a aprendizagem de máquina ainda não é adequada ao raciocínio simbólico de alto nível. Por exemplo, um algoritmo pode ser capaz de identificar uma cesta, ovos coloridos e um campo, mas não seria possível dizer que é uma caça aos ovos de Páscoa, como a maioria dos seres humanos faria.
Normalmente, os projetos de aprendizagem de máquina têm um problema específico muito restrito, para o qual estão a encontrar uma resposta. Um problema diferente exigirá uma nova abordagem e possivelmente um algoritmo diferente.
2. Os Dados
A aprendizagem de máquina é possível em escala devido à quantidade de dados que começamos a coletar nos últimos anos. Essa revolução do big data é a chave que desbloqueou o treino complexo com algoritmos. Os dados estão no centro do ajuste de um algoritmo de aprendizagem de máquina para dar a resposta certa.
Como os dados são tão centrais para a aprendizagem de máquina, os resultados são um reflexo direto das entradas. Se houver uma tendência nos dados, o algoritmo de aprendizagem de máquina aprenderá a ser tendencioso. Por exemplo, preditores de contratação de candidatos, recomendações de sentenças judiciais e diagnóstico médico estão todos a usar a aprendizagem de máquina e todos eles têm algum nível de tendência cultural, de genero, raça, educação ou outra tendência incorporada aos datasets que os treinam.
Вы ознакомились с фрагментом книги.
Для бесплатного чтения открыта только часть текста.
Приобретайте полный текст книги у нашего партнера:
